Оригинал
Hidden Markov Models
In the field of pattern recognition signals are frequently thought of as the product of sources that act statistically. The goal of the analysis of such signals, therefore, is to model the statistical properties of the assumed signal sources as exactly as possible. As a basis of the model building merely the observed example data and assumptions about limitations in the model’s degrees of freedom are available. However, the model to be determined should not only replicate the generation of certain data as exactly as possible but also deliver useful information for segmenting the signals in some meaningful units.
Hidden Markov models are able to treat both above-mentioned modeling aspects. In a two-stage stochastic process information about the segmentation can be derived from the internal states of the models, whereas the generation of the signal data itself takes place in the second stage.
The great popularity of this modeling technique results from its successful application and consequent further development in the field of automatic speech recognition. In this area of research hidden Markov models have effectively superseded all competing approaches and constitute the dominating processing paradigm. Their ability to describe processes or signals evolving over time especially well has in particular caused that the also very successful technique of artificial neural networks is only in very few cases used for speech recognition and comparable segmentation problems. However, there exist a number of hybrid systems consisting of a combination of hidden Markov models and artificial neuronal networks that try to make use of the advantages of both modeling techniques (see section 5.8.2).
Перевод
Скрытые модели Маркова
В области распознавания образов о сигналах часто думают как о продукте источников, которые действуют статически. Таким образом, цель анализа таких сигналов – как можно точнее смоделировать статические свойства сигналов-источников. Основой такой модели является простое исследование данных и возможная степень ограничения возникающих отклонений. Однако, модель, которая будет определяться, должна не только повторять выработку определенных данных как можно точнее, но и доставлять полезную информацию о некоторых значимых единиц для сегментации сигналов.
Скрытые модели Маркова способны обработать оба вышеуказанных аспекта моделирования. В двухэтапном стохастическом процессе информация для сегментации может быть получена из внутренних состояний модели, в то время как сама генерация сигнала данных происходит на втором этапе.
Большую популярность эта технология моделирования получила в результате успешного применения и дальнейшего развития в области автоматического распознавания речи. Исследования скрытых моделей Маркова превзошли все конкурирующие подходы, и являются доминирующей парадигмой обработки сигналов. Их способность описывать процессы или сигналы успешно изучается в течение длительного времени. Причиной этого, в частности, является и то, что технология построения искусственных нейронных сетей, редко применяется для распознавания речи и аналогичных проблем сегментации. Тем не менее, существует ряд гибридных систем состоящих из комбинации скрытых моделей Маркова и искусственных нейронных сетей, в которых пытаются использовать преимущества обоих методов моделирования (см. раздел 5.8.2).
Комментарии
Лексические трансформации
Перевод имен собственныхMarkov
Марков
При переводе фамилии известного русского математика используем путем его транскрибирования.
Перевод интернациональных и псевдоинтернациональных слов The great popularity of this modeling technique results from its successful application популярность…
Большую популярность эта технология моделирования получила в результате успешного применения…
Английское слово «popularity» интернационое, в русском языке оно имеет для значения, написанных в словаре «популярность» и «известность», однако в данном контексте более адекватный будет перевод при использовании значения «популярность».
…hybrid systems…
…гибридных систем…
В последнее время, в русском языке, слово «гибридный» набирает все большую популярность, поэтому наиболее адекватный перевод будте не «смешанный», а «гибридный», также слово «гибридный» стилистически больше подходит жанру этого текста.
Перевод словосочетаний
Перевод фразеологизмовHiddenMarkovModels
Скрытые модели Маркова
Это словосочетание, с одной стороны, является обыкновенным; с другой стороны, в этой области исследования данное словосочетание является устойчивым, и наиболее привычным для русскоязычного читателя будет именно такой перевод.
In the field of pattern recognition…
В области распознавания образов…
Фразеологизм «pattern recongnition» имеет в русском языке эквивалентный перевод – «распознавание образов»,- термин обозначает один из трех базовых методов распознавания символов, в контексте данной статьи сигналов.
neuronal networks
нейронные сети
«Neutronal networks» является устойчивым словосочетанием в русском языке, в данной области исследования, поэтому его необходимо перевести его русским эквивалентом – «нейронные сети».
Лексические трансформации и приемы контекстуальных замен
Добавления
The great popularity of this modeling technique results from its successful application…
Большую популярность эта технология моделирования получила в результате успешного применения…
Из-за отсутствия глагола, эквивалентного английскому «to result», добавляем слово — «получила».
…constitute the dominating processing paradigm.
…являются доминирующей парадигмой обработки сигналов.
В данном примере необходимо добавить слово «сигналов» иначе для русского читателя будет не понятно о какой именно обработке идет речь.
Опущения
However, the model to be determined…
Однако, модель, которая будет определяться…
Из-за отсутствия в русском языке артиклей перевод «the model» будет выражен одним словом «модель».
In this area of research hidden Markov models have effectively superseded all competing approaches…
Исследования скрытых моделей Маркова превзошли все конкурирующие подходы…
Опускаем «in this field», т.к. из контекста становиться ясно, что использование СММ обошли все конкурирующие подходы именно в этой области исследования.
Замены
As a basis of the model…
Основой такой модели…
Из-за отсутствия артиклей в русском языке необходимо заменить определенный артикль «the» на указательное местоимение «такой».
Компенсация
… is to model the statistical properties of the assumed signal sources as exactly as possible.
…как можно точнее смоделировать статические свойства возможных сигналов-источников.
При дословном переводе получим «так точно, как это возможно», однако употребление данной конструкции в тексте является не оправданным стилистически.
Конкретизация
… that try to make use of the advantages of both modeling techniques.
…в которых пытаются использовать преимущества обоих методов моделирования.
В данном случае необходимо конкретизировать значение слова «techniques», которое имеет несколько значений в словаре: «методика», «технология», «аппаратура», «оборудование», «умение» и пр.
…information about the segmentation can be derived from the internal states…
…информация для сегментации может быть получена из внутренних состояний…
Конкретизируем слово «derived».
The great popularity of this modeling technique results from its successful application…
Большую популярность эта технология моделирования получила в результате успешного применения…
Наряду со множеством значений слова «application» при переводе («заявление», «заявка», «приложение» и пр.) логически подходит лишь значение — «применение».
Смысловое развитие
… is to model the statistical properties of the assumed signal sources as exactly as possible.
…как можно точнее смоделировать статические свойства возможных сигналов-источников.
В словаре несколько значений слова «assumed»: «выдуманный», «вымышленный», «придуманный», «притворный», «напускной», «предполагаемый», «присвоенный» и т.д. Однако в данном контексте наиболее адекватным будет перевод «возможных» (н.ф. «возможный»).
Грамматические трансформации
Перестановки
The goal of the analysis of such signals, therefore…
Таким образом, цель анализа таких сигналов…
В данном случае перевод английского вводного слова – «therefore»,- для сохранения стилистических норм русского языка, необходимо переместить в начало предложения.
Замены
Замены формы слова
…the assumed signal sources…
…возможных сигналов-источников…
В данном случае, для отображения смысла предложения, необходимо изменить сочинительную связь в предложении языка оригинала: «signal sources», на сложное существительное целевого языка «сигналов-источников». Т.к. в русском языке «сигналы-источники» и «источники сигналов» имеют разное значение.
Замены частей речи…modeling aspects…
…аспекты моделирования…
В данном примере мы передаем сочинительную связь между прилагательным и существительным, родительным падежом существительного «моделирования».
The great popularity of this modeling technique…
Большую популярность эта технология моделирования…
В данном случае мы заменяем субстантивированное прилагательное- «the great», формой обычного прилагательного «большую» (начальная форма «большой»).
Замена членов предложенияСинтаксические заменыамена простого предложения сложнымHowever, the model to be determined should not only replicate the generation of certain data…
Однако, модель, которая будет определяться, должна не только повторять выработку определенных данных…
В данном случае изменяем простое английское предложение на простое русское, т.к. отсутствует эквивалентная конструкция в языке перевода.
сложного предложения простым Their ability to describe processes or signals evolving over time especially well has in particular caused that the also very successful technique of artificial neural networks is only in very few cases used for speech recognition and comparable segmentation problems.
Их способность описывать процессы или сигналы успешно изучается в течение длительного времени. Причиной этого, в частности, является и то, что технология построения искусственных нейронных сетей, редко применяется для распознавания речи и аналогичных проблем сегментации.
Для облегчения восприятия текста русскоязычным читателем разбиваем одно сложное предложение на два более простых.